CN111369537A - 一种肺磨玻璃结节的自动分割系统及方法 - Google Patents
一种肺磨玻璃结节的自动分割系统及方法 Download PDFInfo
- Publication number
- CN111369537A CN111369537A CN202010148820.0A CN202010148820A CN111369537A CN 111369537 A CN111369537 A CN 111369537A CN 202010148820 A CN202010148820 A CN 202010148820A CN 111369537 A CN111369537 A CN 111369537A
- Authority
- CN
- China
- Prior art keywords
- training
- model
- segmentation
- verification
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 235
- 230000002685 pulmonary effect Effects 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011521 glass Substances 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 135
- 238000012795 verification Methods 0.000 claims abstract description 88
- 210000004072 lung Anatomy 0.000 claims abstract description 31
- 210000000481 breast Anatomy 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000003325 tomography Methods 0.000 claims abstract description 26
- 238000002372 labelling Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000013524 data verification Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 210000000038 chest Anatomy 0.000 claims description 9
- 239000005338 frosted glass Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000003902 lesion Effects 0.000 description 9
- 206010056342 Pulmonary mass Diseases 0.000 description 5
- 208000001034 Frostbite Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 210000000621 bronchi Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种肺磨玻璃结节的自动分割系统及方法,涉及深度学习技术领域,包括:分别对若干患者的胸部断层扫描图像进行标注得到标注图像;将各标注图像进行分组得到训练组、验证组和测试组;根据训练组对预先建立的第一分割模型进行训练,在训练过程中采用验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的第二分割模型作为肺磨玻璃结节的自动分割模型;将测试组中的自动分割模型的输出结果处理得到模型效能;将待分割患者的胸部断层扫描图像输入自动分割模型得到自动分割结果,医生根据自动分割结果和模型效能给出临床指导意见。能够准确、自动且快速完成肺磨玻璃结节的分割。
Description
技术领域
本发明涉及深度学习技术领域,尤其涉及一种肺磨玻璃结节的自动分割方系统及方法。
背景技术
随着薄层CT的普及,肺磨玻璃结节逐渐变成临床上最常见的一种肺部疾病,其在肺部CT上表现为局限性结节状密度增高影,但密度相对较低,不足以掩盖穿行于其中的血管和支气管影。从病理性质的角度来说,良性疾病、癌前病变、微浸润癌到浸润性癌均可表现为肺磨玻璃结节,但却表现为不同的进展情况。如表现为良性或癌前病变的肺磨玻璃结节,病灶长期稳定不变,定期CT检查随访即可;然而,对于CT表现为浸润性病变的肺磨玻璃结节,随着时间推移将出现不同的形态学变化,例如病灶增大、实性成分增多等,需进一步临床介入治疗。因此通过CT图像判断肺磨玻璃结节的进展对于指导患者后续治疗和制定随访策略至关重要。临床应用中,肺磨玻璃结节的进展评估主要依赖二维影像特征或视觉观测,但肺磨玻璃结节直径测量在不同影像医师间仍存在较大差异。因此精确的肺磨玻璃结节分割对于临床随访来说至关重要,其客观上提供诊断的可重复性和图像解释的一致性。且对肺结节快速且准确的分割将大大减少放射科医师的工作量以及治疗成本。
现有技术中,肺结节分割方法主要包括:阈值法,即先用多个固定阈值粗略分割结节,再基于分水岭算法去除结节内部正常结构(血管、支气管等);基于形态学法,例如用种子点形成球面的区域生长法;统计学模型法,即跟马尔科夫随机场模型一样,利用与标记物控制分水岭算法结合的混合算法描绘肺结节的几何轮廓;基于传统机器学习法的聚集法,即一种自动或半自动的基于选择性回归神经网络的算法,可以基于所学习的特征自动化每个结节的参数设置。
阈值法、基于形态学法、统计学模型法方法和基于传统机器学习法的聚集法通常仅在部分肺结节(例如肺实性结节)分割中效能良好,在肺磨玻璃结节上效能还有待进一步提高,不能很好地适应肺结节的异质性。此外,大部分上述方法仍然需要人为干预,使病灶分割结果存在差异性且耗时较长。
发明内容
针对现有技术中存在的问题,本发明提供一种肺磨玻璃结节的自动分割系统,具体包括:
图像获取模块,用于获取若干患者的胸部断层扫描图像;
图像标注模块,连接所述图像获取模块,用于分别对各所述胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
图像分组模块,连接所述图像标注模块,用于将各所述标注图像进行分组得到训练组、验证组和测试组;
模型建立模块,用于根据预设的超参数建立第一分割模型;
模型训练模块,分别连接所述图像分组模块和所述模型建立模块,用于根据所述训练组对所述第一分割模型进行训练,在训练过程中采用所述验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存;
模型测试模块,分别连接所述图像分组模块和所述模型训练模块,用于将所述测试组中的各标注图像输入所述自动分割模型,并根据所述自动分割模型的输出结果处理得到所述自动分割模型的模型效能;
模型分割模块,分别连接所述模型训练模块和所述模型测试模块,用于将待分割患者的所述胸部断层扫描图像输入所述自动分割模型,得到所述待分割患者的所述肺磨玻璃结节的自动分割结果,医生根据所述自动分割结果和所述模型效能给出所述待分割患者的临床指导意见。
优选的,还包括图像预处理模块,分别连接所述图像获取模块和所述图像标注模块,用于分别对各所述胸部断层扫描图像进行图像预处理,并将经所述图像预处理后的所述胸部断层扫描图像送入所述图像标注模块进行标注。
优选的,所述图像预处理包括:
预先设置统一的窗宽和/或窗位以统一各所述胸部断层扫描图像的灰度区间。
优选的,还包括图像采样模块,分别连接所述图像分组模块和模型训练模块,用于在训练之前采用预设像素大小对所述训练组中的各所述标注图像以不同切片角度进行取样。
优选的,所述不同切片角度包括所述标注图像的冠状面,和/或矢状面,和/或横断面。
优选的,所述模型训练模块具体包括:
数据训练单元,用于根据所述训练组对所述第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
数据验证单元,连接所述数据训练单元,用于在每次训练结束后,将所述验证组中的各所述标注图像输入所述第二分割模型得到所述验证组的验证正确率;
参数调整单元,分别连接所述数据训练单元和所述数据验证单元,用于根据所述验证正确率对所述第一分割模型的所述超参数进行调整,并调整后的所述第一分割模型送入所述数据训练单元继续训练,直至所有训练完成;
数据提取单元,分别连接所述数据训练单元和所述数据验证单元,用于在所有训练完成后,提取所述验证正确率最高的所述第二分割模型,并将所述所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存。
优选的,所述数据验证单元具体包括:
结果验证子单元,用于在每次训练完成后,将所述验证组中的各所述标注图像分别输入所述第二分割模型得到相应的分割结果;
第一处理子单元,连接所述结果验证子单元,用于针对每个所述标注图像,根据所述分割结果和标注得到的所述肺磨玻璃结节的所在区域处理得到所述标注图像对应的分割重合率;
第二处理子单元,连接所述第一处理子单元,用于在所有训练完成后,对各所述分割重合率进行均值处理得到所述验证组的验证正确率。
一种肺磨玻璃结节的自动分割方法,应用于以上任意一项所述的肺磨玻璃结节的自动分割系统,所述自动分割方法具体包括以下步骤:
步骤S1,所述自动分割系统获取若干患者的胸部断层扫描图像;
步骤S2,所述自动分割系统分别对各所述胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
步骤S3,所述自动分割系统将各所述标注图像进行分组得到训练组、验证组和测试组;
步骤S4,所述自动分割系统根据预设的超参数建立第一分割模型;
步骤S5,所述自动分割系统根据所述训练组对所述第一分割模型进行训练,在训练过程中采用所述验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存;
步骤S6,所述自动分割系统将所述测试组中的各标注图像输入所述自动分割模型,并根据所述自动分割模型的输出结果处理得到所述自动分割模型的模型效能;
步骤S7,所述自动分割系统将待分割患者的所述胸部断层扫描图像输入所述自动分割模型,得到所述待分割患者的所述肺磨玻璃结节的自动分割结果,医生根据所述自动分割结果和所述模型效能给出所述待分割患者的临床指导意见。
优选的,所述步骤S5具体包括:
步骤S51,所述自动分割系统根据所述训练组对所述第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
步骤S52,所述自动分割系统在每次训练结束后,将所述验证组中的各所述标注图像输入所述第二分割模型得到所述验证组的验证正确率;
步骤S53,所述自动分割系统根据所述验证正确率对所述第一分割模型的所述超参数进行调整,随后返回所述步骤S51,直至所有训练完成;
步骤S54,所述自动分割系统在所有训练完成后,提取所述验证正确率最高的所述第二分割模型,并将所述所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存。
优选的,所述步骤S52具体包括:
步骤S521,所述自动分割系统在每次训练完成后,将所述验证组中的各所述标注图像分别输入所述第二分割模型得到相应的分割结果;
步骤S522,所述自动分割系统针对每个所述标注图像,根据所述分割结果和标注得到的所述肺磨玻璃结节的所在区域处理得到所述标注图像对应的分割重合率;
步骤S523,所述自动分割系统对各所述分割重合率进行均值处理得到所述验证组的验证正确率。
上述技术方案具有如下优点或有益效果:
1)能够准确、自动且快速完成肺磨玻璃结节的分割,无需人工干预;
2)有效避免人为主观分割造成的主观差异性;
3)大大减少放射科医师的工作量以及治疗成本。
附图说明
图1为本发明的较佳的实施例中,一种肺磨玻璃结节的自动分割系统的结构示意图;
图2为本发明的较佳的实施例中,一种肺磨玻璃结节的自动分割方法的流程示意图;
图3为本发明的较佳的实施例中,模型训练过程的流程示意图;
图4为本发明的较佳的实施例中,验证正确率的计算方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本发明并不限定于该实施方式,只要符合本发明的主旨,则其他实施方式也可以属于本发明的范畴。
本发明的较佳的实施例中,基于现有技术中存在的上述问题,现提供一种肺磨玻璃结节的自动分割系统,如图1所示,具体包括:
图像获取模块1,用于获取若干患者的胸部断层扫描图像;
图像标注模块2,连接图像获取模块1,用于分别对各胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
图像分组模块3,连接图像标注模块2,用于将各标注图像进行分组得到训练组、验证组和测试组;
模型建立模块4,用于根据预设的超参数建立第一分割模型;
模型训练模块5,分别连接图像分组模块3和模型建立模块4,用于根据训练组对第一分割模型进行训练,在训练过程中采用验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的第二分割模型作为肺磨玻璃结节的自动分割模型进行保存;
模型测试模块6,分别连接图像分组模块3和模型训练模块5,用于将测试组中的各标注图像输入自动分割模型,并根据自动分割模型的输出结果处理得到自动分割模型的模型效能;
模型分割模块7,分别连接模型训练模块5和模型测试模块6,用于将待分割患者的胸部断层扫描图像输入自动分割模型,得到待分割患者的肺磨玻璃结节的自动分割结果,医生根据自动分割结果和模型效能给出待分割患者的临床指导意见。
具体地,本实施例中,由于获取的胸部断层扫描图像在不同的窗宽窗位进行标注时,胸部断层扫描图像中的病灶区域的灰度特征是不同的,为统一胸部断层扫描图像的重建参数,为后续肺磨玻璃结节的自动分割打好基础,在根据标注图像进行训练之前,优选对各标注图像进行图像预处理,即对各标注图像进行标准化处理,通过设置统一的窗宽窗位,使得各胸部断层扫描图像在相同的灰度区间显示,方便后续病灶区域的统一标注。
在对标注图像进行分组后,优选还包括对训练组中的样本量进行扩充,优选分别选取不同切片角度的标注图像,并对上述标注图像采用预设像素大小的采样窗口进行取样,以使得根据各标注图像进行训练之前,标注图像中的病灶区域具有相同的像素尺寸,以提升数据训练速度。
在训练数据准备完成后,对预先建立的第一分割模型进行训练得到自动分割模型。上述第一分割模型优选为三维U-net卷积神经网络模型,对标注图像的病灶区域的肺磨玻璃结节的异质性具有较好的适应性。
随后根据训练组对采用预先设置的超参数建立的第一分割模型进行训练,并在训练过程中,采用验证组的验证结果对上述超参数进行不断调整,通过计算验证组每一次验证结果的验证正确率,在所有训练过程结束后,将验证正确率最高的一次训练得到的第二分割模型作为最终的自动分割模型。
在训练得到自动分割模型后,优选采用测试集进一步验证自动分割模型的模型效能,即自动分割模型的自动分割准确性,医生在使用自动分割模型进行肺磨玻璃结节的自动分割时,能够根据自动分割结果并结合模型效能给出待分割患者的临床指导意见。
本发明的较佳的实施例中,还包括图像预处理模块8,分别连接图像获取模块1和图像标注模块2,用于分别对各胸部断层扫描图像进行图像预处理,并将经图像预处理后的胸部断层扫描图像送入图像标注模块进行标注。
本发明的较佳的实施例中,图像预处理包括:
预先设置统一的窗宽和/或窗位以统一各胸部断层扫描图像的灰度区间。
本发明的较佳的实施例中,还包括图像采样模块9,分别连接图像分组模块3和模型训练模块5,用于在训练之前采用预设像素大小对训练组中的各标注图像以不同切片角度进行取样。
本发明的较佳的实施例中,不同切片角度包括标注图像的冠状面,和/或矢状面,和/或横断面。
本发明的较佳的实施例中,模型训练模块5具体包括:
数据训练单元51,用于根据训练组对第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
数据验证单元52,连接数据训练单元51,用于在每次训练结束后,将验证组中的各标注图像输入第二分割模型得到验证组的验证正确率;
参数调整单元53,分别连接数据训练单元51和数据验证单元52,用于根据验证正确率对第一分割模型的超参数进行调整,并调整后的第一分割模型送入数据训练单元继续训练,直至所有训练完成;
数据提取单元54,分别连接数据训练单元51和数据验证单元52,用于在所有训练完成后,提取验证正确率最高的第二分割模型,并将第二分割模型作为肺磨玻璃结节的自动分割模型进行保存。
本发明的较佳的实施例中,数据验证单元52具体包括:
结果验证子单元521,用于在每次训练完成后,将验证组中的各标注图像分别输入第二分割模型得到相应的分割结果;
第一处理子单元522,连接结果验证子单元521,用于针对每个标注图像,根据分割结果和标注得到的肺磨玻璃结节的所在区域处理得到标注图像对应的分割重合率;
第二处理子单元523,连接第一处理子单元522,用于对各分割重合率进行均值处理得到验证组的验证正确率。
一种肺磨玻璃结节的自动分割方法,应用于以上任意一项的肺磨玻璃结节的自动分割系统,如图2所示,自动分割方法具体包括以下步骤:
步骤S1,自动分割系统获取若干患者的胸部断层扫描图像;
步骤S2,自动分割系统分别对各胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
步骤S3,自动分割系统将各标注图像进行分组得到训练组、验证组和测试组;
步骤S4,自动分割系统根据预设的超参数建立第一分割模型;
步骤S5,自动分割系统根据训练组对第一分割模型进行训练,在训练过程中采用验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的第二分割模型作为肺磨玻璃结节的自动分割模型进行保存;
步骤S6,自动分割系统将测试组中的各标注图像输入自动分割模型,并根据自动分割模型的输出结果处理得到自动分割模型的模型效能;
步骤S7,自动分割系统将待分割患者的胸部断层扫描图像输入自动分割模型,得到待分割患者的肺磨玻璃结节的自动分割结果,医生根据自动分割结果和模型效能给出待分割患者的临床指导意见。
本发明的较佳的实施例中,如图3所示,步骤S5具体包括:
步骤S51,自动分割系统根据训练组对第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
步骤S52,自动分割系统在每次训练结束后,将验证组中的各标注图像输入第二分割模型得到验证组的验证正确率;
步骤S53,自动分割系统根据验证正确率对第一分割模型的超参数进行调整,随后返回步骤S51,直至所有训练完成;
步骤S54,自动分割系统在所有训练完成后,提取验证正确率最高的第二分割模型,并将第二分割模型作为肺磨玻璃结节的自动分割模型进行保存。
本发明的较佳的实施例中,如图4所示,步骤S52具体包括:
步骤S521,自动分割系统在每次训练完成后,将验证组中的各标注图像分别输入第二分割模型得到相应的分割结果;
步骤S522,自动分割系统针对每个标注图像,根据分割结果和标注得到的肺磨玻璃结节的所在区域处理得到标注图像对应的分割重合率;
步骤S523,自动分割系统对各分割重合率进行均值处理得到验证组的验证正确率。
以上所述仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种肺磨玻璃结节的自动分割系统,其特征在于,具体包括:
图像获取模块,用于获取若干患者的胸部断层扫描图像;
图像标注模块,连接所述图像获取模块,用于分别对各所述胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
图像分组模块,连接所述图像标注模块,用于将各所述标注图像进行分组得到训练组、验证组和测试组;
模型建立模块,用于根据预设的超参数建立第一分割模型;
模型训练模块,分别连接所述图像分组模块和所述模型建立模块,用于根据所述训练组对所述第一分割模型进行训练,在训练过程中采用所述验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存;
模型测试模块,分别连接所述图像分组模块和所述模型训练模块,用于将所述测试组中的各标注图像输入所述自动分割模型,并根据所述自动分割模型的输出结果处理得到所述自动分割模型的模型效能;
模型分割模块,分别连接所述模型训练模块和所述模型测试模块,用于将待分割患者的所述胸部断层扫描图像输入所述自动分割模型,得到所述待分割患者的所述肺磨玻璃结节的自动分割结果,医生根据所述自动分割结果和所述模型效能给出所述待分割患者的临床指导意见。
2.根据权利要求1所述的肺磨玻璃结节的自动分割系统,其特征在于,还包括图像预处理模块,分别连接所述图像获取模块和所述图像标注模块,用于分别对各所述胸部断层扫描图像进行图像预处理,并将经所述图像预处理后的所述胸部断层扫描图像送入所述图像标注模块进行标注。
3.根据权利要求2所述的肺磨玻璃结节的自动分割系统,其特征在于,所述图像预处理包括:
预先设置统一的窗宽和/或窗位以统一各所述胸部断层扫描图像的灰度区间。
4.根据权利要求1所述的肺磨玻璃结节的自动分割系统,其特征在于,还包括图像采样模块,分别连接所述图像分组模块和模型训练模块,用于在训练之前采用预设像素大小对所述训练组中的各所述标注图像以不同切片角度进行取样。
5.根据权利要求4所述的肺磨玻璃结节的自动分割系统,其特征在于,所述不同切片角度包括所述标注图像的冠状面,和/或矢状面,和/或横断面。
6.根据权利要求1所述的肺磨玻璃结节的自动分割系统,其特征在于,所述模型训练模块具体包括:
数据训练单元,用于根据所述训练组对所述第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
数据验证单元,连接所述数据训练单元,用于在每次训练结束后,将所述验证组中的各所述标注图像输入所述第二分割模型得到所述验证组的验证正确率;
参数调整单元,分别连接所述数据训练单元和所述数据验证单元,用于根据所述验证正确率对所述第一分割模型的所述超参数进行调整,并调整后的所述第一分割模型送入所述数据训练单元继续训练,直至所有训练完成;
数据提取单元,分别连接所述数据训练单元和所述数据验证单元,用于在所有训练完成后,提取所述验证正确率最高的所述第二分割模型,并将所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存。
7.根据权利要求6所述的肺磨玻璃结节的自动分割系统,其特征在于,所述数据验证单元具体包括:
结果验证子单元,用于在每次训练完成后,将所述验证组中的各所述标注图像分别输入所述第二分割模型得到相应的分割结果;
第一处理子单元,连接所述结果验证子单元,用于针对每个所述标注图像,根据所述分割结果和标注得到的所述肺磨玻璃结节的所在区域处理得到所述标注图像对应的分割重合率;
第二处理子单元,连接所述第一处理子单元,用于对各所述分割重合率进行均值处理得到所述验证组的验证正确率。
8.一种肺磨玻璃结节的自动分割方法,其特征在于,应用于如权利要求1-8中任意一项所述的肺磨玻璃结节的自动分割系统,所述自动分割方法具体包括以下步骤:
步骤S1,所述自动分割系统获取若干患者的胸部断层扫描图像;
步骤S2,所述自动分割系统分别对各所述胸部断层扫描图像中的肺磨玻璃结节的所在区域进行标注,得到相应的标注图像;
步骤S3,所述自动分割系统将各所述标注图像进行分组得到训练组、验证组和测试组;
步骤S4,所述自动分割系统根据预设的超参数建立第一分割模型;
步骤S5,所述自动分割系统根据所述训练组对所述第一分割模型进行训练,在训练过程中采用所述验证组对训练得到的第二分割模型进行验证,并在训练完成后,将验证结果中验证正确率最高的一次训练得到的所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存;
步骤S6,所述自动分割系统将所述测试组中的各标注图像输入所述自动分割模型,并根据所述自动分割模型的输出结果处理得到所述自动分割模型的模型效能;
步骤S7,所述自动分割系统将待分割患者的所述胸部断层扫描图像输入所述自动分割模型,得到所述待分割患者的所述肺磨玻璃结节的自动分割结果,医生根据所述自动分割结果和所述模型效能给出所述待分割患者的临床指导意见。
9.根据权利要求8所述的肺磨玻璃结节的自动分割方法,其特征在于,所述步骤S5具体包括:
步骤S51,所述自动分割系统根据所述训练组对所述第一分割模型进行训练,并在每次训练后生成相应的第二分割模型;
步骤S52,所述自动分割系统在每次训练结束后,将所述验证组中的各所述标注图像输入所述第二分割模型得到所述验证组的验证正确率;
步骤S53,所述自动分割系统根据所述验证正确率对所述第一分割模型的所述超参数进行调整,随后返回所述步骤S51,直至所有训练完成;
步骤S54,所述自动分割系统在所有训练完成后,提取所述验证正确率最高的所述第二分割模型,并将所述第二分割模型作为所述肺磨玻璃结节的自动分割模型进行保存。
10.根据权利要求9所述的肺磨玻璃结节的自动分割方法,其特征在于,所述步骤S52具体包括:
步骤S521,所述自动分割系统在每次训练完成后,将所述验证组中的各所述标注图像分别输入所述第二分割模型得到相应的分割结果;
步骤S522,所述自动分割系统针对每个所述标注图像,根据所述分割结果和标注得到的所述肺磨玻璃结节的所在区域处理得到所述标注图像对应的分割重合率;
步骤S523,所述自动分割系统对各所述分割重合率进行均值处理得到所述验证组的验证正确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148820.0A CN111369537A (zh) | 2020-03-05 | 2020-03-05 | 一种肺磨玻璃结节的自动分割系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148820.0A CN111369537A (zh) | 2020-03-05 | 2020-03-05 | 一种肺磨玻璃结节的自动分割系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369537A true CN111369537A (zh) | 2020-07-03 |
Family
ID=71208727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148820.0A Pending CN111369537A (zh) | 2020-03-05 | 2020-03-05 | 一种肺磨玻璃结节的自动分割系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369537A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508949A (zh) * | 2021-02-01 | 2021-03-16 | 之江实验室 | 一种spect三维重建图像左心室自动分割的方法 |
CN115359325A (zh) * | 2022-10-19 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
CN114037709B (zh) * | 2021-11-05 | 2023-06-16 | 复旦大学附属肿瘤医院 | 一种磨玻璃肺结节分割方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN109636827A (zh) * | 2018-12-14 | 2019-04-16 | 东北大学 | 一种自适应提取宫颈肿瘤mr图像的方法 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
-
2020
- 2020-03-05 CN CN202010148820.0A patent/CN111369537A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106780460A (zh) * | 2016-12-13 | 2017-05-31 | 杭州健培科技有限公司 | 一种用于胸部ct影像的肺结节自动检测系统 |
CN107274402A (zh) * | 2017-06-27 | 2017-10-20 | 北京深睿博联科技有限责任公司 | 一种基于胸部ct影像的肺结节自动检测方法及系统 |
CN109636827A (zh) * | 2018-12-14 | 2019-04-16 | 东北大学 | 一种自适应提取宫颈肿瘤mr图像的方法 |
CN110059697A (zh) * | 2019-04-29 | 2019-07-26 | 上海理工大学 | 一种基于深度学习的肺结节自动分割方法 |
CN110675406A (zh) * | 2019-09-16 | 2020-01-10 | 南京信息工程大学 | 基于残差双注意力深度网络的ct图像肾脏分割算法 |
Non-Patent Citations (2)
Title |
---|
周鲁科 等: "基于U-net网络的肺部肿瘤图像分割算法研究", 《信息与电脑》 * |
焦李成 等, 国防工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508949A (zh) * | 2021-02-01 | 2021-03-16 | 之江实验室 | 一种spect三维重建图像左心室自动分割的方法 |
CN114037709B (zh) * | 2021-11-05 | 2023-06-16 | 复旦大学附属肿瘤医院 | 一种磨玻璃肺结节分割方法及装置 |
CN115359325A (zh) * | 2022-10-19 | 2022-11-18 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
CN115359325B (zh) * | 2022-10-19 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 图像识别模型的训练方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107622492B (zh) | 肺裂分割方法及系统 | |
CN109636808B (zh) | 一种基于全卷积神经网络的肺叶分割方法 | |
Rossi et al. | Combination of low level processing and active contour techniques for semi-automated volumetric lung lesion segmentation from thoracic CT images | |
JP4310099B2 (ja) | 肺疾患検出のための方法及びシステム | |
US20200035350A1 (en) | Method and apparatus for processing histological image captured by medical imaging device | |
CN111369537A (zh) | 一种肺磨玻璃结节的自动分割系统及方法 | |
El-Baz et al. | A novel shape-based diagnostic approach for early diagnosis of lung nodules | |
ES2914873T3 (es) | Sugerencia de segunda lectura | |
CN113902741B (zh) | 一种对医学图像进行血管分割的方法、装置及介质 | |
CN111553892B (zh) | 基于深度学习的肺结节分割计算方法、装置及系统 | |
CN110097557B (zh) | 基于3D-UNet的医学图像自动分割方法及系统 | |
EP1761897A1 (en) | Displaying a tracheobronchial tree | |
CN109255354B (zh) | 面向医用ct的计算机图像处理方法和装置 | |
CN108470375B (zh) | 一种基于深度学习的神经导管自动检测方法 | |
CN109934829B (zh) | 一种基于三维图割算法的肝脏分割方法 | |
US20090257550A1 (en) | Slice image display apparatus, method and recording-medium having stored therein program | |
CN112381757A (zh) | 一种基于人工智能-图像识别的脊柱全长X线片测算脊柱侧弯Cobb角的系统及方法 | |
CN114343604B (zh) | 基于医学影像的肿瘤检测及诊断装置 | |
CN113327225B (zh) | 用于提供气道信息的方法 | |
CN111311626A (zh) | 基于ct图像的颅骨骨折自动检测方法及电子介质 | |
CN112288794B (zh) | 眼底图像的血管管径的测量方法及测量装置 | |
CN115035020A (zh) | 对医学图像进行对象分析的方法、装置和存储介质 | |
CN113870098A (zh) | 一种基于脊柱分层重建的Cobb角自动测量方法 | |
US20220092786A1 (en) | Method and arrangement for automatically localizing organ segments in a three-dimensional image | |
CN111481233A (zh) | 胎儿颈项透明层厚度测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |